⚡Megatron LLM Hub
←返回搜索
Website

GDPx 评测:最强模型在 206 个真实工位任务上仅约 12% 完成率

数百条失败轨迹归纳出六条 Agent 工程约束,可直接借鉴。
ai_agentllm报告
SemiAnalysis 的 GDPx 评测把主流大模型放进云端真实工位连跑 8 小时解决 206 个业务难题,最强模型平均仅得约 12%。数百次失败轨迹揭示了文档权威度地图、样本外回滚门禁、确定性测量脚本、外部排障证据账本、次旗舰总账路由与物理白名单加挂起出口六条工程经验。